誰かが言ったら
「この方法は、を最大化するパラメーターのポイント推定MLEを使用するため、頻度が高く、さらにベイジアンではありません。」
同意しますか?
- 背景に関する最新情報:最近、頻繁に投稿されると主張する論文を読みました。私は彼らの主張に同意しない、せいぜい曖昧だと思う。この論文では、MLE(またはMAP)について明示的に言及していません。彼らは単にポイントの推定値を取得し、このポイントの推定値が真であるかのように単純に進みます。彼らはしますませんこの推定量のサンプリング分布、またはそのような何かの分析を行います。モデルは非常に複雑であるため、このような分析はおそらく不可能です。いずれの時点でも「後」という言葉は使用していません。彼らは、額面価格でこのポイント推定値を取得し、関心のある主要トピックである欠落データの推測に進みます。彼らの哲学には何があるかを示唆するアプローチは彼らのアプローチにはないと思います。彼らは頻繁になりたいと思っていたかもしれませんが(袖に哲学をつける義務があると感じているため)、実際のアプローチは非常に単純/便利/怠/で曖昧です。私は今、この研究にはその背後にある哲学は何もないと言う傾向があります。代わりに、彼らの態度はより実用的または便利だったと思う:
「データを観測し、欠落データzを推定したい。zとxの関係を制御するパラメーターθがあります。目的を達成するための手段を除き、θはあまり気にしません。私はのために見積もり持っθ、それはそれが簡単に予測することになりますZをからのxを、私はの点推定値を選択します。θを、それは便利ですので、特に私が選ぶだろう、θ最大P(X | θを)。」
ベイジアン手法では、データとパラメーターの役割は逆になります。特に、現在、観測されたデータを条件として、パラメーターの値について推論を進めています。これには事前の準備が必要です。
これまでのところこれでいいのですが、MLE(Maximum Likelihood Estimate)がこれに適合するのはどこですか?私は、多くの人がそれが周波数主義者である(またはより正確には、ベイジアンではない)と感じているという印象を受けます。しかし、観測データを取得し、を最大化するパラメーターを見つけることを含むため、ベイジアンであると感じています。MLEは暗黙的に均一な事前使用とデータの条件付けを使用し、P (p a r a m e t e。MLEがフリークエンティストとベイジアンの両方に見えると言ってもいいですか?または、すべての単純なツールは、これら2つのカテゴリのいずれかに正確に該当する必要がありますか?
MLEは一貫していますていますが、一貫性はベイジアンのアイデアとして提示できると思います。任意の大きなサンプルが与えられると、推定値は正解に収束します。「推定値は真の値に等しい」というステートメントは、パラメーターのすべての値に当てはまります。興味深いのは、観測されたデータを条件にしてベイジアンにする場合にも、このステートメントが当てはまることです。この興味深いことは、MLEには当てはまりますが、公平な推定量には当てはまりません。
これが、MLEが周波数主義者として記述される可能性のあるメソッドの「最もベイジアン」であると感じる理由です。
とにかく、有限のサンプルサイズを含む、ほとんどのフリークエンティストの特性(不偏性など)はすべての場合に適用されます。一貫性が不可能なシナリオ(1つの実験内の無限のサンプル)でのみ成立するという事実は、一貫性がそのような有用な特性ではないことを示唆しています。
現実的な(つまり有限の)サンプルが与えられた場合、MLEに当てはまるFrequentistプロパティはありますか?そうでない場合、MLEは実際にはフリークエンティストではありません。